Hybrydowa optymalizacja i sieć grafowa dla zrównoważonego ładowania pojazdów elektrycznych z użyciem przetwornika Dual Active Bridge i energii odnawialnej

Dlaczego czystsze ładowanie samochodów ma znaczenie

Pojazdy elektryczne obiecują czystsze ulice i niższe emisje dwutlenku węgla, ale sposób, w jaki je ładujemy, wciąż w dużej mierze opiera się na konwencjonalnej sieci energetycznej. W tym badaniu przyjrzano się, jak zbudować sprytniejszą stację ładowania, która czerpie energię głównie ze słońca i ogniw paliwowych wodorowych, wykorzystuje akumulatory jako zasilanie rezerwowe i jednocześnie zapewnia niezawodne, przystępne cenowo ładowanie. Łącząc wydajny przetwornik mocy z zaawansowanymi algorytmami inspirowanymi zarówno naturą, jak i współczesną sztuczną inteligencją, autorzy pokazują, jak przyszłe centra ładowania mogą być jednocześnie bardziej ekologiczne i tańsze.

Mieszanka słońca, wodoru i akumulatorów

Stacja ładowania opisana w pracy wykorzystuje połączenie paneli słonecznych, ogniwa paliwowego i banku akumulatorów, które wszystkie podłączone są do wspólnej szyny prądu stałego — swoistej energetycznej autostrady. Panele słoneczne dostarczają niedrogą energię, gdy jest światło słoneczne, podczas gdy ogniwo paliwowe zapewnia kontrolowane zasilanie zapasowe, gdy nadchodzi zachmurzenie lub rośnie zapotrzebowanie. Akumulator magazynuje nadmiar energii i wypełnia luki, wygładzając naturalne wahania produkcji odnawialnej i wzorce jazdy. Razem te trzy źródła mają na celu utrzymanie stabilnego ładowania samochodów elektrycznych, mimo że zarówno podaż energii, jak i zachowanie kierowców są wysoce zmienne.

Elektronika mocy w sercu stacji

Pomiędzy tą wspólną szyną energetyczną a baterią pojazdu znajduje się kluczowy element sprzętowy zwany przetwornikiem Dual Active Bridge. Działa on jak inteligentna skrzynia biegów dla energii elektrycznej, umożliwiając przepływ mocy w obu kierunkach z wysoką sprawnością oraz zapewniając izolację elektryczną dla bezpieczeństwa. Poprzez precyzyjne przesuwanie czasu pracy wewnętrznych przełączników, przetwornik może regulować, ile energii trafia do samochodu lub z powrotem do magazynu stacji. Ta drobna kontrola pomaga utrzymać napięcie na szynie na stałym poziomie i kształtować prąd tak, aby akumulator pojazdu ładował się szybko na początku, a potem łagodniej — co pomaga zachować zdrowie akumulatora.

Planowanie inspirowane naturą dla tańszej energii

Sam sprzęt to za mało; stacja potrzebuje też „mózgu”, który zdecyduje, kiedy korzystać ze słońca, kiedy włączyć ogniwo paliwowe, a kiedy ładować lub rozładowywać akumulator. W tym celu badacze sięgają po „algorytm optymalizacji pelikana”, metodę matematyczną wzorowaną na tym, jak pelikany współpracują podczas polowania na ryby. W badaniu każdy wirtualny „pelikan” reprezentuje inny sposób planowania przepływów mocy i ustawień przetwornika. Poprzez wielokrotne eksplorowanie i usprawnianie tych opcji, algorytm poszukuje planów operacyjnych minimalizujących długoterminowe koszty energii, uwzględniając ograniczenia sprzętowe oraz zmienne zachowanie kierowców i źródeł odnawialnych.

Grafowa sieć decyzyjna do decyzji w czasie rzeczywistym

Aby uzupełnić tego planera, zespół wykorzystuje zaawansowaną sieć neuronową nazwaną przypisaną wielorzędową konwolucyjną siecią grafową (attributed multi-order graph convolutional network). Zamiast traktować każde źródło energii czy obciążenie izolowanie, model ten postrzega stację jako sieć połączonych ze sobą węzłów: produkcję z paneli słonecznych, zachowanie ogniwa paliwowego, stan naładowania akumulatora, napięcie szyny i zapotrzebowanie pojazdu na ładowanie. Uczy się, jak zmiany w jednym punkcie rozchodzą się przez resztę systemu, wychwytując wieloetapowe zależności, których prostsze modele nie uwzględniają. Po wytrenowaniu ta grafowa „mózgownica” przewiduje najlepsze sygnały sterujące dla przetwornika Dual Active Bridge, pomagając stacji reagować w czasie rzeczywistym na nagłe zmiany w nasłonecznieniu lub zapotrzebowaniu na ładowanie.

Co ujawniają symulacje

Na podstawie szczegółowych symulacji komputerowych autorzy wykazują, że ich hybrydowy schemat sterowania utrzymuje kluczowe wielkości elektryczne — takie jak napięcie centralnej szyny, prąd obciążenia i napięcie akumulatora pojazdu — stabilne w ciągu kilku sekund od uruchomienia. W scenariuszu testowym moc słoneczna stopniowo maleje, podczas gdy ogniwo paliwowe i akumulator dostosowują swoje wkłady tak, aby samochód nadal otrzymywał niemal stałą moc. Profil ładowania akumulatora pojazdu odzwierciedla oczekiwania kierowców: szybki wzrost napięcia i prądu na początku, a następnie łagodniejsza faza chroniąca akumulator przed przeciążeniem. Ogólnie stacja dostarcza około 4 kilowatów stałej mocy ładowania przy tylko drobnych, szybko korygowanych spadkach.

Niższe koszty dla bardziej ekologicznego ładowania

Być może najbardziej uderzający jest wynik ekonomiczny. Gdy nowa metoda — łącząca optymalizację opartą na pelikanach z grafową siecią neuronową — została porównana z szeregiem popularnych technik planowania, osiągnęła najniższy koszt jednostkowy dostarczonej energii. Badanie podaje zaktualizowany koszyk kosztów energii (levelized cost of energy) wynoszący około pięciu i pół centa za kilowatogodzinę, co stanowi redukcję o około połowę w porównaniu ze standardową metodą rojową (particle swarm) i ponad 70 procent w porównaniu z niektórymi innymi heurystycznymi podejściami. Dla przeciętnego czytelnika oznacza to, że poprzez orkiestrację momentów i sposobów, w jakie różne czyste źródła energii zasilają ładowarkę, oraz precyzyjne sterowanie elektroniką mocy, stacja może oferować niezawodne, odnawialne ładowanie w cenie konkurencyjnej lub lepszej niż tradycyjne opcje oparte na sieci energetycznej.

Cytowanie: Narayanan, P., Kandasamy, P., Kandasamy, N. et al. A hybrid optimization and graph network for sustainable electric vehicle charging using a dual active bridge converter and renewable energy. Sci Rep 16, 8868 (2026). https://doi.org/10.1038/s41598-026-36280-0

Słowa kluczowe: ładowanie pojazdów elektrycznych, energia odnawialna, inteligentne sieci, elektronika mocy, optymalizacja energii